パンジャブ地域における日降水量のダウンスケーリングのための三つの方法の比較

概要 近年、大気変数からの駅規模の水文学的変数の予測のために多くのダウンスケーリング技術が開発されてきました。これは、気候変動の水文学的影響を評価するために、一般循環モデル（GCM）によってシミュレートされた大規模な大気変数に基づいています。本稿では、インドの亜熱帯Monsoon領域における降水量のダウンスケーリングに関して、条件付きランダムフィールド（CRF）、K最近傍（KNN）、およびサポートベクターマシン（SVM）の三つのダウンスケーリング手法の性能を比較します。CRFモデルは、確率的枠組みの中で水文学的変数をダウンスケーリングするために最近開発された方法であり、SVMモデルは予測因子と予測対象の間の非線形関係を一般化し、捉える能力に優れた人気の機械学習ツールです。KNNモデルは、訓練データから特定の特徴ベクトルに類似する日を問い合わせ、Kの最も近い訓練例からの重み付けされたセットからランダムサンプリングを行い、未来の日を分類するアナログ型手法です。これらのモデルは、パンジャブの6地点におけるモンスーン（6月から9月）の日降水量のダウンスケーリングに適用されます。乾燥期および湿潤期の長さ分布、日降水量分布、サイト間相関などのさまざまな統計量の再現に関するモデルの性能が検討されます。その結果、CRFおよびKNNモデルは、SVMモデルよりも、ほとんどの降水量統計の再現においてわずかに優れていることがわかりました。これらのモデルはその後、6地点での将来の降水量を予測するために使用されます。将来の降水量の予測には、カナダの全球気候モデル（CGCM3）GCMからの3つのシナリオ、すなわちA1B、A2、およびB1の出力が使用されます。予測は、日降水量の確率密度関数の変化と、日降水量の湿潤期および乾燥期分布の変化を示しています。著作権 © 2011 John Wiley & Sons, Ltd.